Phần mềm mới được phát triển để cải thiện các bộ phận giả của robot 

Phần mềm mới đã được phát triển bởi các nhà nghiên cứu tại Đại học bang North Carolina nhằm cải thiện bộ phận giả hoặc bộ xương ngoài của rô-bốt. Phần mềm mới có thể được tích hợp với phần cứng hiện có, dẫn đến việc đi bộ an toàn hơn và tự nhiên hơn trên các địa hình khác nhau. 

Bài báo có tiêu đề “Dự đoán bối cảnh môi trường cho các bộ phận giả chi dưới với định lượng không chắc chắn.Nó đã được xuất bản trong Giao dịch của IEEE về Khoa học và Kỹ thuật Tự động hóa.

Thích ứng với các địa hình khác nhau

Edgar Lobaton là đồng tác giả của bài báo. Ông là phó giáo sư về kỹ thuật điện và máy tính tại trường đại học. 

Lobaton cho biết: “Các bộ phận giả của robot chi dưới cần thực hiện các hành vi khác nhau dựa trên địa hình mà người dùng đang đi trên đó. “Khung mà chúng tôi đã tạo cho phép AI trong các bộ phận giả của robot dự đoán loại địa hình mà người dùng sẽ bước vào, định lượng độ không chắc chắn liên quan đến dự đoán đó và sau đó kết hợp độ không chắc chắn đó vào quá trình ra quyết định của nó.”

Có sáu địa hình khác nhau mà các nhà nghiên cứu tập trung vào, với mỗi địa hình yêu cầu sự điều chỉnh trong hành vi của một bộ phận giả robot. Chúng là ngói, bê tông, gạch, cỏ, “tầng trên” và “tầng dưới”. 

Boxuan Zhong là tác giả chính của bài báo và bằng tiến sĩ. tốt nghiệp bang NC.

“Nếu mức độ không chắc chắn quá cao, AI sẽ không buộc phải đưa ra quyết định đáng ngờ — thay vào đó, nó có thể thông báo cho người dùng rằng nó không đủ tin tưởng vào dự đoán của mình để hành động hoặc nó có thể mặc định là 'an toàn'. ' chế độ, ”Zhong nói.

Kết hợp các yếu tố phần cứng và phần mềm

Khung mới dựa trên cả hai yếu tố phần cứng và phần mềm được kết hợp với nhau và nó được sử dụng với bất kỳ bộ xương ngoài rô-bốt chi dưới hoặc thiết bị giả rô-bốt nào. 

Một khía cạnh mới của khuôn khổ này là máy ảnh như một phần cứng khác. Trong nghiên cứu, máy ảnh được đeo trên kính mắt và chúng được đặt trên bộ phận giả ở chi dưới. Sau đó, các nhà nghiên cứu quan sát cách AI có thể sử dụng dữ liệu thị giác máy tính từ hai loại máy ảnh khác nhau, đầu tiên là riêng biệt và sau đó kết hợp với nhau. 

Helen Huang là đồng tác giả của bài báo. Cô ấy là Giáo sư Kỹ thuật Y sinh Xuất sắc của Gia đình Jackson tại Khoa Liên kết Kỹ thuật Y sinh tại Bang NC và Đại học Bắc Carolina tại Chapel Hill. 

Huang cho biết: “Việc kết hợp thị giác máy tính vào phần mềm điều khiển dành cho người máy đeo được là một lĩnh vực nghiên cứu mới thú vị. “Chúng tôi nhận thấy rằng việc sử dụng cả hai máy ảnh đều hoạt động tốt, nhưng đòi hỏi rất nhiều sức mạnh tính toán và có thể tốn kém. Tuy nhiên, chúng tôi cũng nhận thấy rằng chỉ sử dụng máy ảnh gắn ở chi dưới hoạt động khá tốt — đặc biệt là đối với các dự đoán ngắn hạn, chẳng hạn như địa hình sẽ như thế nào trong một hoặc hai bước tiếp theo.”

Theo Lobaton, công trình này có thể áp dụng cho bất kỳ loại hệ thống học sâu nào.

Lobaton nói: “Chúng tôi đã nghĩ ra một cách tốt hơn để dạy các hệ thống học sâu cách đánh giá và định lượng sự không chắc chắn theo cách cho phép hệ thống kết hợp sự không chắc chắn vào quá trình ra quyết định. “Điều này chắc chắn có liên quan đến các bộ phận giả bằng robot, nhưng công việc của chúng tôi ở đây có thể được áp dụng cho bất kỳ loại hệ thống học sâu nào”.

Đào tạo hệ thống AI

Để đào tạo hệ thống AI, các camera được đặt trên những người tham gia khỏe mạnh, sau đó những người này di chuyển qua các môi trường trong nhà và ngoài trời khác nhau. Bước tiếp theo là để một cá nhân bị cắt cụt chi dưới điều hướng trong cùng một môi trường khi đeo máy ảnh. 

Lobaton nói: “Chúng tôi nhận thấy rằng mô hình có thể được chuyển giao một cách thích hợp để hệ thống có thể hoạt động với các đối tượng từ các quần thể khác nhau. “Điều đó có nghĩa là AI hoạt động tốt mặc dù nó được đào tạo bởi một nhóm người và được sử dụng bởi một người khác.”

Bước tiếp theo là kiểm tra khung trong một thiết bị rô-bốt. 

Huang cho biết: “Chúng tôi rất vui mừng được kết hợp khung vào hệ thống điều khiển để vận hành các bộ phận giả bằng rô-bốt - đó là bước tiếp theo.

Nhóm cũng sẽ làm việc để làm cho hệ thống hiệu quả hơn, bằng cách yêu cầu xử lý dữ liệu và nhập dữ liệu trực quan ít hơn.